Pythonで学ぶ実験計画法入門 ベイズ最適化によるデータ解析

第1章　データ解析・機械学習を活用した分子設計・材料設計・プロセス設計・プロセス管理
1-1　ケモ・マテリアルズ・プロセスインフォマティクス
1-2　分子設計
1-3　材料設計
1-4　なぜベイズ最適化が必要か
1-5　プロセス設計
1-6　プロセス管理
1-7　データ解析・人工知能（モデル）の本質

第2章　実験計画法
2-1　なぜ実験計画法か
2-2　実験計画法とは
2-3　適応的実験計画法
2-4　必要となる手法・技術

第3章　データ解析や回帰分析の手法
3-1　データセットの表現
3-2　ヒストグラム・散布図の確認
3-3　統計量の確認
3-4　特徴量の標準化
3-5　最小二乗法による線形重回帰分析
3-6　回帰モデルの推定性能の評価
3-7　非線形重回帰分析
3-8　決定木
3-9　ランダムフォレスト
3-10　サポートベクター回帰
3-11　ガウス過程回帰

第4章　モデルの適用範囲
4-1　モデルの適用範囲とは
4-2　データ密度
4-3　アンサンブル学習

第5章　実験計画法・適応的実験計画法の実践
5-1　実験候補の生成
5-2　実験候補の選択
5-3　次の実験候補の選択
5-4　ベイズ最適化
5-5　化学構造を扱うときはどうするか

第6章　応用事例
6-1　複雑な非線形関数を用いた実験計画法・適応的実験計画法の実践
6-2　分子設計
6-3　材料設計
6-4　プロセス設計

第7章　さらなる深みを目指すために
7-1　Gaussian Mixture Regression（GMR）
7-2　GMR-Based Optimization（GMRBO）（GMRに基づく適応的実験計画法）
7-3　複雑な非線形関数を用いたGMRBOの検証

第8章　数学の基礎・Anaconda・Spyder
8-1　行列やベクトルの表現・転置行列・逆行列・固有値分解
8-2　最尤推定法・正規分布
8-3　確率・同時確率・条件付き確率・確率の乗法定理
8-4　AnacondaとRDKitのインストール・Spyderの使い方